Qwen3-VL + LLaMA-Factory 怎么玩？手把手教你做一个会打分会挑错的作文批改助手

Qwen3-VL + LLaMA-Factory 怎么玩？手把手教你做一个会打分会挑错的作文批改助手

在K12 和高等教育阶段，作文批改一直是教学反馈中最费时、最主观、最难标准化的一环。

核心痛点集中在教师批改压力巨大、评分主观性强难以统一以及反馈滞后难以形成写作闭环。

随着大语言模型的发展，我们终于迎来了一个新选项：让大模型真正学会“像语文老师一样”看作文、打分数、写评语。

今天，我们就通过一个在Lab4AI 上可一键复现的完整项目，拆解这条路径：如何利用LLaMA-Factory + Qwen3-VL-30B-Instruct， 在仅有300 篇高中作文 的小样本条件下，完成一个 “能打分 + 会写评语” 的中文作文智能批改助手，非常适合老师、教研员和教育 AI 开发者快速验证效果。

选用AES-Dataset高中作文数据集

要让模型学会“像老师一样评分”，离不开一个真实、垂直的训练数据集。本项目选用了面向中国高中阶段的中文作文数据集：AES-Dataset。

这个数据集小而精，聚焦高中场景

• 学生群体： 全部来自中国高中生，话题接近高考/模拟考作文；
• 文体类型： 以议论文、记叙文为主，需要一定逻辑推理与表达能力；
• 数据规模： 共300 篇作文，编号从 A-0001 至 A-0300。

虽然数量不大，却非常适合做：小样本微调（Few-shot Fine-tuning）、LoRA / QLoRA 轻量化实验、验证“教育垂直领域精调”的效果上限。

数据结构标准化设计，方便工程接入。AES-Dataset 主要由两部分组成：

• 元数据文件scores.txt： 记录作文ID、标题、人工评分；相当于模型要拟合的“老师打分参考答案”。
• 作文文本/essays 文件夹： 每篇作文一个txt；首行为标题，后续为正文段落，天然保留文章结构信息；个别文件末行有空行，需在预处理阶段清洗。

这套结构非常适合作为LLaMA-Factory 的上游数据源，方便自动对齐为：Instruction（指令）- Input（作文内容）- Output（分数+评语）

模型批改作文验证效果

Lab4AI.cn提供实验平台，提供一站式科研工具链！
👉一键直达

你可以在Lab4AI 项目页中，通过 project_reproduce.ipynb 的「快速体验 demo」章节，直接对比：基线模型（未微调的 Qwen3-VL-30B-Instruct）VS微调后作文批改模型，即可立刻看到两者的差异。

在这个项目中，我们对同一篇《拒绝平庸之思》，两者都能读懂文章、给出评价，但风格和“老师味儿”差异非常明显：

基线模型更像一位学术型评论家：讲得多、很细致，会从哲学概念、论证逻辑、语言修辞等多个角度做深度解析；

微调后模型更接近一位真实语文老师：用的是百分制评分，结构是“总体评价 + 优点 + 改进建议”，语言自然、建议具体，学生一看就知道该怎么改。

下面这张表就是两者在关键维度上的对比，可以非常直观地看到差别：

对比维度	基线模型效果	微调后模型效果
评分形式	10 分制，多维度打分后给出综合分（9.0/10）	百分制，直接给出总分（85分），贴近考试习惯
评语结构	专业点评 + 多维拆解 + 不足 + 总结，偏学术评论	总体评价 + 优点分析 + 改进建议 + 总结，像语文老师批改
语言风格	用词严谨、偏“专家评审”，理论感强	语言自然朴实，更像给学生看的作文本评语
关注重点	概念严谨性、逻辑细节、用词甚至错别字都细致指出	强调优点与问题方向，突出如何改进写作表现
学生阅读门槛	信息密集，理解成本略高	结构清晰，一眼能看出亮点和需要改的地方
教学场景适配度	适合教研、范文深度解析	适合作为日常“智能批改反馈”，可直接用于教学与训练

依托LLaMA-Factory的LoRA微调流程

本项目依托LLaMA-Factory，在Lab4AI上完成了从数据到模型的完整闭环：

数据清洗 → 指令格式构造 → LoRA 微调 → 评分与评语验证。

如果你也想亲手体验一次 “大模型 × 作文批改” 实战，可以在 project_reproduce.ipynb 中的「项目详细流程实践」模块按以下步骤来。

Step 1 数据集准备

本项目选用AES-Dataset 作为核心训练数据。这是一个专注于中国高中阶段的中文作文数据集，具有鲜明的教育领域特征。该数据集包含包含编号从A-0001 至 A-0300 共300篇精选作文样本，已保存在../dataset/AES-Dataset下。

Step 2 数据预处理

把AES-Dataset 转成 LLaMA-Factory 支持的 ShareGPT格式：首先将文本转为图片，再借助大模型打标签，将base_url和api_key替换成可用的大模型API，最后进行格式转换。

可以修改code/data目录下的dataset_info.json文件，增加自定义数据集。

Step 3 lora微调

在LLaMA-Factory 中，我们采用 LoRA/QLoRA 对 Qwen3-VL-30B-Instruct 进行指令微调：固定大部分原始参数，只对少量低秩矩阵进行更新；显著降低显存占用和训练成本，非常适合在 Lab4AI 环境下复现。

你可以在Notebook 中：指定 LoRA 权重保存路径；通过配置文件调整；学习率 / batch size / epoch 数；LoRA rank / target modules 等超参数；观察 Loss 曲线变化，防止在 300 篇小数据上过拟合。

经过微调后，你可以重新加载模型，对同一作文进行对比测试，直观感受评分与评语的变化。

结论

本项目在Lab4AI 平台上，完成了基于LLaMA-Factory + Qwen3-VL-30B-Instruct的指令微调实践，并在AES-Dataset高中作文数据上验证了以下结论：

小样本 + LoRA，足以显著提升领域适配度，仅用 300 篇作文，就能让模型的打分更接近真实语文老师；

评语从“泛泛式鼓励”进化为“有维度、有细节、有建议”的教学反馈；

作文批改可以真正走向“标准化 + 规模化”，老师可以把重复性的批改工作交给模型，专注于教学设计与重点辅导；

学生可以获得更频繁、更即时的写作反馈，形成写作-反馈-改进的闭环。

多模态Qwen3-VL 为未来手写作文批改预留空间：

• 数据规模扩充： 引入更多年级、更多题型、更多地区的真实作文，进一步提升模型在不同学段与地区标准下的鲁棒性。
• 多维评分维度： 从单一综合分数，扩展到“立意分、结构分、语言分、创新分”等子维度评分，增强教学参考价值。
• 任务扩展： 将该模型接入到完整的教学系统中，用于日常随堂作文即时反馈、写作训练营/刷题任务自动打分、学生写作能力成长曲线分析等。

通过持续扩展数据与任务，本项目有潜力演进为：一套真正融入日常教学流程的“智能作文教学辅助系统”。

创作者招募中！Lab4AI x LLaMA-Factory 邀你共创实战资源

想解锁大模型微调实战，却愁无算力、缺平台？现在机会来了！

Lab4AI 联合 LLaMA-Factory 启动创作者招募，诚邀 AI 开发者、学生及技术爱好者提交微调实战案例，通过审核即享算力补贴与官方证书等，共创AI实践新生态。

大模型实验室Lab4AI实现算力与实践场景无缝衔接，具备充足的H卡算力，支持模型复现、训练、推理全流程使用，且具备灵活弹性、按需计费、低价高效的特点，解决用户缺高端算力、算力成本高的核心痛点。